Basın Kanunu’nun 21/c Maddesinde Düzenlenen Suç ve Unsurları

Durante décadas, estatísticos aplicaram Análise Discriminante e Modelos de

Regressão na modelagem de padrões nos quais os dados de treinamento disponíveis são

rotulados (com entradas e saídas conhecidas) e técnicas de clustering quando estes dados não

são rotulados. Estes métodos encontram analogias em redes neurais, onde topologias

multicamadas com algoritmos de retropropagação do erro são usados quando os dados são

rotulados, e modelos auto-organizados quando não são rotulados (SMITH & GUPTA, 2000).

Estas técnicas de clustering têm sido usadas no agrupamento e categorização de dados

baseados nas estruturas naturais contidas nestes. O objetivo de um algoritmo de clustering

apropriado é maximizar o grau de similaridade entre os padrões de um mesmo cluster, ao

mesmo tempo em que o grau de similaridade entre os diversos clusters é minimizado.

Para os problemas relacionados à classificação de padrões sob os quais as

informações fornecidas residem apenas nos dados relativos a estes problemas, sem que exista

um crítico externo que possa orientar os resultados obtidos, seria interessante que um modelo

matemático, notadamente um modelo de Inteligência Artificial, elaborasse uma classificação

própria baseada na exploração das redundâncias contidas nos dados de entrada disponíveis à

rede (TAURITZ, 2002).

Desta forma, é necessária a aplicação de técnicas que não se apóiem em supervisão

de erro das saídas como forma de se obter classes agrupadas de acordo com um determinado

estado em que se encontram os elementos, tornando possível detectar relacionamentos entre

eles (BRAGA, LUDERMIR e CARVALHO, 2000). Assim, pode-se gerar matematicamente

estruturas de relacionamentos entre vários estados que coexistem sob um mesmo cenário.

Uma arquitetura adequada a este tipo de tarefa deveria identificar padrões através da

comparação dos mesmos, e posteriormente elaborar um critério para o agrupamento destes

padrões de acordo com a similaridade ou disparidade das características apresentadas.

Existem diversos modelos neurais que atendem a estes requisitos, conforme discutido no

Capítulo 3. Contudo, neste trabalho é proposto o uso do modelo neural auto-associativo

baseado na Teoria de Ressonância Adaptativa, ou ART, criada por Stephen Grossberg em

1976 (TAURITZ, 2002), mais especificamente a rede na qual são utilizados dados contínuos

como informação de entrada da rede, topologia esta conhecida como ART-2 (CARPENTER

& GROSSBERG, 1987b).

ART engloba uma ampla variedade de redes neurais artificiais baseadas

explicitamente na neurofisiologia, e são definidas em relação ao seu algoritmo de

treinamento em termos de equações diferenciais detalhadas e críveis como modelos

plausíveis dos neurônios biológicos. Na prática, as redes ART são implementadas como

soluções analíticas ou aproximações para estas equações diferenciais. A ressonância

adaptativa sobre a qual a teoria se refere ocorre quando padrões de atividade nas camadas de

entrada e saída se reforçam em sinergia.

Uma característica fundamental na Teoria de Ressonância Adaptativa que

fundamenta o funcionamento das redes ART consiste em que se nenhuma classe ressoa com

o padrão de entrada apresentado à rede, uma nova classe é criada, de acordo com um

parâmetro de vigilância previamente escolhido e que pode ser calibrado. Tal característica

foi concebida com o intuito de se solucionar o dilema plasticidade-estabilidade,

denominação utilizada acerca do problema de trade-off presente em redes neurais artificiais

em se manter capaz de adaptar ou agrupar padrões de entrada indefinidamente (plasticidade)

e ao mesmo tempo preservar o conhecimento adquirido, impedindo que os novos padrões se

superponham ao conhecimento prévio adquirido pela rede (estabilidade), conforme descrito

em CARPENTER & GROSSBERG (1987a). Esta característica, inclusive, é bastante

positiva se for relembrado o Problema da Dimensionalidade mencionado na Seção 3.4.

Portanto, esta arquitetura é conduzida por um algoritmo que utiliza um critério racional na

alocação de padrões, através de seus vetores de entrada, em direção à geração de

agrupamentos baseados na similaridade entre os padrões apresentados.

Existem redes ART dos mais diversos tipos, utilizando paradigmas de aprendizado

tanto supervisionado como não supervisionado. Os modelos mais conhecidos e utilizados

são:

• ART-1: primeiros modelos desenvolvidos, sua principal peculiaridade é a

utilização de dados binários como entradas da rede;

• ART-2: modelo desenvolvido para processar dados contínuos;

• ART-3: modelo que utiliza ação de neuro-transmissores na propagação dos dados

pela rede;

• ARTMAP: composto por duas sub-redes, ART-a, que recebe e processa um

determinado padrão de entradas apresentado, e ART-b, que constitui a

resposta desejada para o padrão apresentado à rede;

• Fuzzy ART: rede ART que processa dados fuzzy;

• Fuzzy ARTMAP: rede ARTMAP que processa dados fuzzy.

No caso do presente trabalho, conforme disposto no início deste capítulo, é utilizado

o modelo ART-2, o qual consiste de um modelo de paradigma de aprendizado não

supervisionado capaz de realizar o processamento de entradas e saídas analógicas

(CARPENTER & GROSSBERG, 1987b). Seu algoritmo de treinamento é basicamente um

algoritmo iterativo, no qual cada caso é processado de modo a se encontrar a classe mais

parecida possível com a informação apresentada, e em seguida esta classe tem sua

informação atualizada para que apresente características mais parecidas com a de seus

componentes, incluindo o último elemento incorporado, em um processo de prototipagem de

categorias. A arquitetura básica de uma rede ART envolve três grupos de neurônios: uma

camada de processamento dos vetores de entrada, chamada F1, os neurônios representativos

de cada categoria, chamados de camada F2, e o mecanismo de controle do grau de

similaridade dos padrões alocados em uma mesma categoria, composto por um neurônio

único e chamado de mecanismo de reset.

Na Figura 4 disposta a seguir, é representada a arquitetura de uma rede ART-2, bem

como as conexões e suas devidas direção e polaridade, para melhor compreensão do exposto.

Setas largas mostram que todas as unidades da camada de origem são conectadas a todas as

unidades da camada de destino, tanto na direção ascendente (aij) quanto na descendente (dij),

FIGURA 4: Arquitetura de uma rede ART-2. Adaptado de CARPENTER & GROSSBERG

(1987a).

A camada F1 de uma rede ART-2 pode ser considerada como consistindo de duas

partes: uma parte destinada à leitura dos vetores de entrada (F1a) e outra destinada à

interface entre estes vetores e a própria rede (F1b). Esta interface combina sinais recebidos

tanto da leitura dos vetores quanto da camada F2, para efeito de comparação da similaridade

entre o sinal de entrada com o vetor de pesos do neurônio selecionado como candidato ao

aprendizado. Estes nodos podem ser considerados nodos auxiliares que pré-processam as

entradas, através de uma combinação de operações de normalização dos dados. Isso torna o

modelo ART-2 adequado ao processamento e classificação de dados analógicos

(CARPENTER & GROSSBERG, 1987b), como os que são apresentados à rede neste

trabalho, em categorias baseadas em suas similaridades. Esta é a primeira fase do processo

de treinamento de uma rede ART qualquer, chamada etapa de reconhecimento.

+

+

+

+

Camada F1a

Camada F1b

aij

dij

Camada F2

+

+

+

+

+

-

+

-

Neurônio C2

Neurônio C1

Reset

Para efeito de controle da similaridade dos padrões de entrada alocados em uma

mesma categoria existem dois grupos de conexões, cada um com suas próprias ponderações,

entre cada neurônio de F1b e de F2. Cada neurônio da camada F1b se conecta a todos os

neurônios da camada F2 através de conexões ascendentes: a ponderação relativa a cada

conexão ascendente relacionada ao i-ésimo neurônio F1b ligada ao j-ésimo neurônio F2 será

chamado aij. Por sua vez, cada neurônio da camada F2 se conecta a todos os neurônios da

camada F1b através de conexões descendentes: a ponderação relativa a cada conexão

descendente relacionada ao j-ésimo neurônio F2 ligada ao i-ésimo neurônio F1b será

chamada dij.

A camada F2 é uma camada competitiva, na medida em que o neurônio

representativo de cada categoria que retorne a maior entrada ponderada de acordo com as

conexões ascendentes se torna o candidato ao aprendizado daquele padrão de entrada, e a

ativação de todos os outros neurônios de F2 são zeradas. A seguir, os neurônios de F1b

combinam informações oriundas do processamento ocorrido em F1a e F2. Esta é a segunda

fase do treinamento de uma rede ART, chamada etapa de comparação.

A efetivação do aprendizado e conseqüente incorporação do vetor de entrada ao

neurônio candidato escolhido em F2 depende da similaridade entre o vetor descendente D e

o vetor de entrada. Esta decisão é tomada pela unidade de reset, baseado nos sinais recebidos

pelas camadas F1b e F2. Se o neurônio candidato não é efetivamente escolhido como

representativo da categoria do vetor de entrada, é inibido e um novo neurônio de F2 é

selecionado como novo candidato ao aprendizado. Esta é a terceira fase do treinamento de

uma rede ART, chamada etapa de busca.

Finalmente, nota-se que para cada fase do treinamento é requerida uma resposta

distinta de cada um dos neurônios das camadas F1b e F2. Para que os mesmos consigam

distinguir como desempenhar a tarefa adequadamente, existem duas unidades suplementares

dotadas de pesos binários (0 para sinal inibitório e 1 para sinal excitatório) e não atualizáveis

que atuam como mecanismos de controle para estas repostas, chamadas C1 e C2. A unidade

C1 determina o fluxo de dados para a camada F1b, e a unidade C2 determina o fluxo de

dados e habilita os neurônios da camada F2. Assim, cada neurônio de F1b e F2 nas redes

ART possui três fontes pelas quais pode ser recebido um sinal:

• F1b pode receber sinais de F1a (sinal de entrada), F2 (sinal descendente) e da

unidade de controle C1;

• F2 pode receber sinais de F1b (sinal ascendente), da unidade de reset e da unidade

de controle C2;

Desta forma, a ativação adequada dos neurônios é efetivada quando se recebem dois

sinais excitatórios dos três possíveis, caso contrário não ocorre ativação. Este mecanismo é

conhecido como Regra dos Dois Terços.

A despeito das topologias ART apresentarem uma maior complexidade do que

outras topologias neurais de uso mais geral, e seu treinamento necessitar de um número de

ciclos dependente do processo de treinamento utilizado, salienta-se que a introdução de

neurônios que atuam como controladores do processo de treinamento possibilitam às redes

ART se mostrarem mais capazes de armazenar informações sem incorrer na criação de falsos

padrões através de generalização espúria (FAUSETT, 1994; BRAGA, LUDERMIR &

CARVALHO, 2000).

As redes neurais baseadas na topologia ART são utilizadas nas mais diversas

aplicações relacionadas à classificação, como reconhecimento de dados em questionários,

reconhecimento de alvos militares, reconhecimento de caracteres e processamento de sinais

(FAUSETT, 1994; BRAGA, LUDERMIR & CARVALHO, 2000).

Belgede Basın Kanunu’nda Kimlik Açıklama Yasağına Aykırılık Suçu (sayfa 32-37)